吸收比率与市场脆弱性：用主成分集中度预警系统性风险

马氏距离湍流指数回答的问题是”今天的市场有多不正常”——它看的是单日收益向量相对历史分布的异常度。这一篇换一个更结构性的问题：市场现在有多脆弱？ 不是问今天跌没跌，而是问：如果明天来一个冲击，它会被分散吸收掉，还是会沿着紧耦合的传导链放大成系统性事件？

Kritzman, Li, Page & Rigobon（2011）给出的答案工具是吸收比率（Absorption Ratio）：

$AR_t = \frac{\sum_{k=1}^{K} \lambda_k}{\sum_{k=1}^{N} \lambda_k}$

其中 $\lambda_k$ 是滚动窗口协方差矩阵从大到小排序的特征值，K 通常取 N/5。翻译成人话：前 20% 的主成分”吸收”了多少比例的总方差。

一、为什么主成分集中度 = 脆弱性#

特征分解把 N 个资产的波动拆成 N 个互相正交的”风险方向”。两种极端市况：

低 AR（风险分散）：方差摊在许多独立方向上，资产各走各的——能源跌、科技涨、债券横盘。这时一个冲击打进来，只伤到它所在的方向，其他方向照常运转，组合层面被稀释。市场是解耦的。

高 AR（风险集中）：绝大部分方差挤进一两个公共方向——所有资产被同一只无形的手拽着同涨同跌。这时任何冲击都会沿着这个公共方向传导到所有资产，分散化在你最需要它的时刻失效。市场是焊死的。

关键的概念区分，也是 Kritzman et al. 原文反复强调的：AR 度量的是脆弱性（fragility），不是危机（crisis）。高 AR 的市场完全可以继续上涨——2006-2007 年美股 AR 持续攀升而市场屡创新高。AR 高只意味着：一旦出事，会出大事。它是干柴指标，不是火柴指标。

实现只需要十几行：

import numpy as np
import pandas as pd

def absorption_ratio(returns, window=120, k_frac=0.2):
    """滚动吸收比率。returns: (T, N) 收益矩阵。"""
    T, N = returns.shape
    K = max(1, int(N * k_frac))
    ar = np.full(T, np.nan)
    for t in range(window, T):
        C = np.cov(returns[t-window:t].T)
        ev = np.linalg.eigvalsh(C)[::-1]     # 从大到小
        ar[t] = ev[:K].sum() / ev.sum()
    return pd.Series(ar)

def delta_ar(ar, short=15, long=252):
    """Kritzman et al. 的标准化 AR 位移：短均线离开长均线几个标准差。"""
    return (ar.rolling(short).mean() - ar.rolling(long).mean()) / ar.rolling(long).std()

第二个函数是原论文真正用于交易信号的量：ΔAR = (AR 的 15 日均线 − 250 日均线) / 250 日标准差。用位移而非水平值，是因为 AR 的绝对水平因市场、因资产池而异（成分股同行业越多天然越高），可比的是”相对自身历史的突变”。

二、模拟市场与 AR 的判别力#

真实市场没有”脆弱期”的标准答案，无法计算判别指标，所以先在受控环境里做实验：N=30 资产，15 年日频，两状态 Markov 市场——平静期公共因子波动 0.5%/日、特质波动 1.0%/日（特质主导，市场解耦）；脆弱期公共因子波动 2.4%/日、特质 1.1%/日（因子主导，市场焊死），叠加一个恒定的弱行业因子。脆弱期占比 11.9%，平均持续约 33 个交易日。AR 用 120 日滚动窗口、K=6。

上图蓝线是 AR，红色阴影是真实脆弱期，下图是等权组合净值。肉眼可见 AR 在每段阴影内抬升、阴影结束后缓慢回落。定量结果：

• 脆弱期 AR 均值 0.78 vs 平静期 0.61，判别 AUC = 0.863
• AR 的响应有滞后：120 日窗口意味着 regime 切换后 AR 要爬一段时间才到位——这是所有滚动窗口指标的宿命，窗口越短响应越快但噪声越大

特征值谱的对比把机制看得更直白。取一个平静期中点和一个脆弱期中点，各画出 30 个特征值的方差占比：

平静期第一特征值只占约 25%，方差在十几个方向上摊开；脆弱期第一特征值飙到 60% 以上，第 5 名以后的方向几乎被抽干——方差向头部主成分的迁移，就是市场从解耦到焊死的谱表征。

三、ΔAR 的预测内容：波动和左尾，不是方向#

把 ΔAR 按 ±1 分成三组，统计每组之后 10 个交易日的组合表现：

这张表是全文最重要的结果，因为它精确演示了”脆弱性指标”的含义：

ΔAR 完全不预测收益方向——高 ΔAR 组的未来收益均值（+0.84%）甚至是三组最高的。如果你拿 AR 当择时信号做多空，会输得莫名其妙。

但它强烈预测波动和左尾：高 ΔAR 组未来波动率是低 ΔAR 组的两倍（17.1% vs 8.4%），左尾 5% 分位差了近 3 倍（−6.1% vs −2.2%）。市场焊死之后，好日子照过，但坏日子会坏得多——收益分布不是均值下移，而是两侧拉宽、左尾拉长。

这决定了 AR 的正确用法：不是预测涨跌，而是调节承担风险的规模——在脆弱性高的时候少暴露，让同样的冲击打在更小的仓位上。

四、风险开关回测：买保险，付保费#

规则与湍流指数一文保持一致以便对比：昨日 ΔAR > 1 → 今日仓位降至 30%，否则满仓等权组合。无成本假设，信号滞后一天执行。

解读要诚实：

风险端的改善是实打实的：波动率砍掉三分之一，Sharpe 从 0.91 提到 1.01，最大回撤收窄近 5 个百分点。且改善机制与上一节的分组统计完全自洽——减掉的正是未来波动 17% 的那 28% 时间。

但收益端付了 3.7 个百分点的保费。这个模拟市场整体是牛市（等权年化 14.7%），高 ΔAR 时段的收益均值并不为负（+0.84%），砍仓位就砍掉了这部分收益。AR 开关的本质是卖掉收益分布的两侧换取更窄的分布——Sharpe 改善说明这笔交易划算，但绝对收益下降说明它不是免费午餐。对比湍流指数在其模拟市场里”Sharpe 翻倍、收益还更高”的结果：那是因为湍流市场的坏 regime 均值显著为负，减仓直接避损；本文的脆弱期均值只是轻微为负（−0.08%/日），减仓主要在降波动。风险开关赚不赚钱，取决于坏状态的均值有多负——这是数据性质，不是策略功劳。

28% 的减仓时间也值得警惕：换手集中在 ΔAR 穿越阈值附近，实盘中信号在阈值附近抖动会造成频繁进出，需要加滞回带（如 >1 减仓、<0.5 才恢复）压制。

五、A/B/C 三段式总结#

A. 实现细节：30 资产两状态 Markov 模拟市场（转移概率 0.005/0.03，脆弱期占比 11.9%）；AR 用 120 日滚动协方差 + 前 K=6 特征值占比；ΔAR = (15 日均线 − 252 日均线)/252 日标准差；开关信号用昨日 ΔAR，今日调仓，无 look-ahead；组合为 30 资产等权，回测起点为首个 AR 有效日；AUC 用秩统计量（Mann-Whitney）计算。

B. 已知偏差：(1) 模拟市场的 regime 差异由公共因子强度直接驱动，而 AR 恰好是因子强度的谱度量——指标与数据生成机制同源，判别力天生被高估，真实市场 AUC 会显著低于 0.863；(2) AR 与已实现波动率高度正相关（脆弱期波动也高），本文未做”控制波动率后的增量信息”检验——实务中必须回答”AR 是否只是波动率的换皮”，Kritzman et al. 的答案是 AR 领先于波动率上升，但这需要在真实数据上单独验证；(3) 窗口 120、K=N/5、阈值 ±1、减仓至 30% 均为文献惯例值，未调优也未做敏感性分析；(4) 无交易成本，28% 的减仓时间占比下成本会侵蚀相当部分 Sharpe 改善。

C. 结果解读：吸收比率的独特价值在于它度量的维度与波动率、湍流指数都不同——波动率问”动得多大”，湍流指数问”今天多反常”，AR 问”结构多集中”。三者构成一个互补的风险仪表盘：AR 是慢变量（滚动窗口特征分解，以月为尺度演化），适合做战略层面的风险预算调节；湍流指数是快变量（单日即时），适合战术减仓。实测结果支持教科书结论：ΔAR 预测波动（17.1% vs 8.4%）和左尾（−6.1% vs −2.2%）但完全不预测方向（高 ΔAR 组收益均值反而最高），因此它只应该接到仓位规模上，不应该接到多空方向上。风险开关将 Sharpe 从 0.91 提到 1.01 的同时年化收益下降 3.7 个百分点——把它理解为一份波动保险的定价，而不是一台收益机器。下一步自然的延伸：把 AR、湍流指数、DCC 相关三个信号做逻辑或/加权组合，检验多信号风险开关是否优于任何单信号——留给后续文章。